El objetivo general de la propuesta del TFG es una plataforma web responsive que conecta perfiles tecnológicos con empresas de forma más humana, precisa y efectiva que los portales tradicionales. A diferencia de los clásicos portales de empleo, en esta propuesta no se basa solo en currículums o filtros automatizados, sino en la validación activa del talento, la presentación visual de habilidades, y en flujos de aplicación guiados y enriquecidos (cartas, vídeos, casos de uso, etc.). La aplicación web contará con las siguientes funcionalidades principales: Landing Page pública e informativa, con diseño moderno y explicación clara del funcionamiento para empresas y profesionales; Registro/Login con autenticación segura, mediante Supabase Auth, con control de sesiones y gestión de roles (empresa, profesional); Creación y edición de perfiles enriquecidos; Publicación y visualización de ofertas por parte de las empresas, incluyendo título, descripción, requerimientos, beneficios y tipo de aplicación deseada; Seguimiento del estado de las candidaturas (enviado, visto, pendiente, rechazado, entrevista agendada, etc.), accesible tanto para el profesional como para la empresa; Listado completo de todos los profesionales disponibles (solo visible para cuentas empresa), con filtros por skills, experiencia y ubicación entre otros; Listado de candidatos que han aplicado a las ofertas de una empresa, con su documentación, estado y un porcentaje de coincidencia "match" técnico con la oferta; Página para visualizar entrevistas agendadas, conectada con Calendly, donde se pueden consultar citas pasadas y futuras, estado de confirmación, links directos a videollamadas programadas; Notificaciones por email automáticas para los eventos más relevantes de la web.

Este Trabajo de Fin de Máster presenta un sistema para la detección automática del deterioro cognitivo asociado a la enfermedad de Alzheimer (AD) a partir del análisis del habla. El objetivo principal es estudiar hasta qué punto la información contenida en la señal de voz y en las transcripciones puede utilizarse para diferenciar entre sujetos cognitivamente sanos y pacientes con AD mediante técnicas de aprendizaje automático y aprendizaje profundo. El estudio se desarrolla sobre IAEAV Dataset 1.1, una base de datos compuesta por grabaciones clínicas en español obtenidas durante entrevistas neuropsicológicas semiestructuradas. Estas grabaciones incluyen diferentes tareas orientadas a evaluar dominios cognitivos como memoria, orientación temporal, lenguaje y percepción, lo que permite analizar el habla desde una perspectiva tanto acústica como lingüística y clínica. La metodología propuesta combina distintas fuentes de información extraídas de las grabaciones. En primer lugar, se aplica un proceso de diarización para aislar las intervenciones del paciente y, posteriormente, se realiza la transcripción automática mediante Whisper. A partir de los audios y transcripciones se construyen biomarcadores clínicos, acústicos y lingüísticos, junto con representaciones profundas obtenidas mediante modelos como Wav2Vec2 y BERT. Además, se generan espectrogramas log-Mel para representar la señal de voz en el dominio tiempo–frecuencia. Sobre estas representaciones se plantean diferentes enfoques de clasificación. Por un lado, se entrenan modelos clásicos de aprendizaje automático empleando características seleccionadas mediante ElasticNet. Por otro lado, se diseña una red neuronal convolucional (CNN) para trabajar directamente con espectrogramas log-Mel. Finalmente, se propone una estrategia multimodal que combina la información aprendida por la CNN con variables clínicas, acústicas y lingüísticas extraídas manualmente. Con esta metodología se busca comparar el comportamiento de distintas fuentes de información y analizar su posible utilidad como apoyo no invasivo, accesible y escalable para la detección temprana del deterioro cognitivo.

El mercado inmobiliario representa uno de los sectores con mayor volumen de capital a nivel global, pero su gestión tradicional depende de sistemas centralizados y procesos de validación manuales que limitan su eficiencia y accesibilidad. Como respuesta a estas carencias, este trabajo explora la tokenización de Real World Assets, un proceso que transforma activos físicos en estructuras de datos programables, inmutables y auditables mediante la tecnología Blockchain. El objetivo principal es democratizar la inversión en este sector, reduciendo las barreras de entrada y la iliquidez del modelo tradicional mediante el fraccionamiento de la propiedad y su registro en una base de datos distribuida. Para llevar a cabo este desarrollo, el marco teórico establece las bases de la descentralización económica, analizando la evolución desde Bitcoin hasta la red Ethereum, donde la “Ethereum Virtual Machine” (EVM) permite la ejecución imparcial y autónoma de acuerdos a través de smart contracts. Se examinan en profundidad los estándares de tokens aplicables, prestando especial atención al ERC-20 para la fungibilidad y al ERC-3643 como marco robusto para el cumplimiento normativo de security tokens. Adicionalmente, el proyecto se contextualiza bajo la normativa legal vigente, destacando el impacto del Reglamento europeo MiCA y la Ley 6/2023 de los Mercados de Valores en España, fundamentales para dotar a las emisiones tokenizadas de protección al inversor y seguridad jurídica. En la parte práctica se realiza el diseño y desarrollo de una plataforma descentralizada (dApp) basada en un patrón “Factory”, compuesto por un contrato “Mercado”, que gestiona los activos representados por múltiples contratos “Inmueble” (basados en OpenZeppelin ERC-20). Por último se evalúa a la plataforma mediante pruebas unitarias que validan con una tasa de éxito del 100 % el control de acceso basado en roles (RBAC) y la precisión matemática de las transacciones financieras. Paralelamente, el análisis de eficiencia demuestra que los costes operativos (Gas) de la compraventa son notablemente inferiores a los gastos registrales y notariales convencionales.

Attention Deficit Hyperactivity Disorder (ADHD) is a prevalent neurodevelopmental disorder characterized by inattention, hyperactivity, and impulsivity. Current diagnostic methods rely primarily on subjective clinical evaluations, which are prone to bias. Neurophysiological techniques such as electroencephalography (EEG), eye tracking, and electrodermal activity (EDA) offer promising objective alternatives; however, their adoption is limited by the scarcity of large, public, multimodal datasets. To address this gap, we introduce the BALLADEER ADHD Dataset, a comprehensive multimodal resource that integrates simultaneous EEG, eye-tracking, and physiological signals from children and adolescents with ADHD and neurotypical controls. Data were collected through carefully designed cognitive tasks aimed at eliciting neurophysiological responses related to attentional control, response inhibition, and cognitive flexibility-key domains affected in ADHD. The dataset facilitates the development of machine learning models for ADHD classification and biomarker discovery through cross-modal analyses of EEG, eye movements, and autonomic nervous system activity. By publicly releasing this dataset, we aim to enhance transparency, reproducibility, and innovation in computational neuroscience and ADHD research.

Background: Attention-deficit/hyperactivity disorder (ADHD) is a common neurodevelopmental disorder in children, characterized by inattention, hyperactivity, and impulsivity that significantly disrupt daily functioning. Comprehensive ADHD assessment requires multimethod and multi-informant evaluation, and objective attention measures can complement this process. Serious game–based assessments may further support this process by combining structured task mechanics and dynamic audiovisual guidance in a child-oriented digital environment. Objective: This study aimed to develop and validate Attention Robots, a serious game designed for assessing behavioral attention indicators in children and adolescents. The goal was to examine whether its outputs corresponded with indicators from the widely used D2-R Test of Attention as preliminary evidence of convergent validity. Methods: In this preliminary cross-sectional convergent validation study, 58 participants (34 male and 24 female individuals) aged 6-18 years, recruited through clinical referral and community sources, completed Attention Robots followed by the D2-R test. The original group variable, assigned by the project psychologists, identified 19 participants in the experimental group and 39 participants in the control group. Attention Robots presents timed rows of robot stimuli and asks participants to identify and select predefined target robots. Spearman and Pearson correlations compared working speed, omissions, commissions, concentration, and precision across both instruments. Results: Primary cross-test correlations were positive. Spearman correlations were observed for working speed (ρ=0.905, 95% CI 0.84-0.94; P<.001), omissions (ρ=0.333, 95% CI 0.08-0.54; P=.01), commissions (ρ=0.496, 95% CI 0.27-0.67; P<.001), concentration (ρ=0.926, 95% CI 0.88-0.96; P<.001), and precision (ρ=0.607, 95% CI 0.41-0.75; P<.001). Pearson correlations showed a similar pattern for working speed (r=0.911, 95% CI 0.85-0.95; P<.001), omissions (r=0.278, 95% CI 0.02-0.50; P=.04), commissions (r=0.396, 95% CI 0.15-0.59; P=.002), concentration (r=0.922, 95% CI 0.87-0.95; P<.001), and precision (r=0.574, 95% CI 0.37-0.72; P<.001). These findings support preliminary convergent correspondence between corresponding behavioral indicators, but they do not establish interchangeability, discriminative validity, diagnostic use, or superior engagement or acceptability. Conclusions: Attention Robots provides preliminary evidence of convergent validity with the D2-R for behavioral attention indicators in children and adolescents. The innovative aspect of this study is the translation of D2-R–based attentional demands into a child-oriented serious game environment with robot-based stimuli, dynamic audiovisual guidance, and structured behavioral data capture. Unlike previous digital or serious game approaches, this study empirically compares game-derived indicators with corresponding indicators from an established attention test rather than evaluating only task feasibility, engagement, or intervention effects. This work contributes to the field by providing a preliminary validation of a serious game format that may support the collection of objective attention-related data in children and adolescents. In applied contexts, Attention Robots could be further developed as a complementary tool within multimethod ADHD assessment, although larger studies are required to evaluate subgroup performance, agreement, diagnostic use, and user experience before clinical adoption.

El desperdicio alimentario es una de las mayores ineficiencias del sistema agroalimentario. En 2022 se desperdiciaron en el mundo unos 1.050 millones de toneladas de alimentos, el 19 % de todos los disponibles para el consumo. El 12 % de esa cantidad se generó en el comercio minorista. Buena parte de ese desperdicio no es accidental, sino la consecuencia de cómo se decide. El minorista debe fijar cuánto repone antes de conocer la demanda y la presión competitiva le empuja a priorizar la disponibilidad del producto. Este trabajo aborda esa decisión desde la predicción de demanda. Se parte del conjunto de datos público Dunnhumby The Complete Journey, que recoge las compras de 2.500 hogares durante 102 semanas y se construye con él un panel semanal de 157 categorías de alimentación a lo largo de 87 semanas. Sobre ese panel, se comparan trece modelos organizados en tres niveles: líneas base sin aprendizaje, modelos entrenados con pérdida simétrica y modelos entrenados con pérdida cuantílica. Entre ellos hay árboles potenciados por gradiente, máquinas de vectores soporte y varias arquitecturas de red neuronal. El resultado principal es que el orden de los modelos por error estadístico no coincide con su orden por desperdicio evitado. Alinear la función de pérdida con la estructura de costes del negocio reduce el excedente de reposición un 42,2 % frente a una política ingenua, a costa de elevar la rotura del 6,5 % al 7,4 % de la demanda. El mejor modelo por error es uno de los cuantílicos, con un error absoluto medio un 17,6 % inferior al de la línea base. Ese efecto se reproduce en tres familias de modelos distintas, lo que indica que depende de la función que se optimiza y no del algoritmo. Además, el trabajo traza la frontera completa entre excedente y rotura y publica un cuadro de mando que lleva las predicciones a la reposición semanal.

Process discovery is intended to machine-learn process models by analysing event logs that record how real processes work. The resulting models tend to be complex because they must account for all the variability in the event logs. It is agreed that clustering the input event log prior to discovery may result in better models. Unfortunately, using a clustering approach has a negative computational impact on the time and the resources required to preprocess the event logs. Furthermore, the literature does not provide a fully developed study regarding their impact on the quality of the resulting process models. This makes it difficult for an expert to make informed decisions regarding how a particular event log must be clustered to reduce preprocessing effort and increase model quality. In this paper, we explore how to address the previous problem by means of a recommender that builds on a sound statistical procedure that is complemented with a visual analysis when necessary. Our proposal is intended to guide experts' work more efficiently and effectively by making informed decisions regarding how to cluster their event logs in process discovery.

Los Large Language Models (LLM) han demostrado una capacidad asombrosa en una amplia gama de tareas relacionadas con el lenguaje, lo que los convierte en herramientas de gran interés. Sin embargo, debido a su elevado número de parámetros e interacciones internas, este tipo de modelos se comporta como una caja negra. Esto representa un problema importante en contextos donde una predicción incorrecta puede acarrear un coste elevado. En estos casos, resulta crucial comprender el mecanismo o proceso que subyace a una predicción para poder anticipar posibles errores. Por este motivo, el campo de investigación de la interpretabilidad ha adquirido una relevancia creciente. En particular, el reciente enfoque de la interpretabilidad mecanística ha planteado una nueva manera de abordar este problema, al centrarse en la inspección del interior de los modelos con el fin de descomponer su funcionamiento de forma comprensible. En esta línea, diversos trabajos han presentado evidencia de que, para una tarea específica, es posible localizar e interpretar el subconjunto del modelo responsable de llevarla a cabo. Esto abre un abanico de oportunidades de investigación muy prometedoras. El objetivo de la presente tesis es contribuir al emergente campo de la interpretabilidad mecanística, con especial atención a las aplicaciones prácticas que derivan de estos avances. En concreto, la tesis se centra en: (i) extender los métodos actuales de interpretabilidad mecanística para abordar tareas más complejas, en las que la predicción se compone de múltiples tokens; (ii) desarrollar un método para localizar vulnerabilidades dentro de los LLM; y (iii) diseñar un procedimiento que permita extraer el subconjunto del LLM responsable de una tarea concreta, con el fin de utilizarlo de manera independiente. Los resultados obtenidos durante la realización de esta tesis doctoral se han plasmado en una serie de artículos científicos presentados en congresos internacionales y publicados en revistas de alto impacto. Por este motivo, la tesis se presenta en formato de compendio de publicaciones.

El presente proyecto desarrolla el diseño e implementación de una arquitectura Data Lakehouse orientada a la analítica avanzada en el sector E-commerce. Mediante la adopción del patrón de diseño Medallón, se orquesta el flujo de información desde su ingesta en crudo hasta su consolidación en un modelo dimensional optimizado. El uso estratégico de tecnologías como DuckDB y Apache Parquet garantiza un procesamiento de datos eficiente, permitiendo la integración de inteligencia de negocio interactiva en Power BI y el entrenamiento de modelos predictivos para la anticipación del comportamiento del usuario. Esta solución técnica consigue unificar el almacenamiento masivo de un Data Lake con las garantías transaccionales y el rendimiento de un Data Warehouse, proporcionando una fuente de verdad única y escalable para la toma de decisiones estratégicas y operativas basadas en la evidencia empírica.

This study compares Desktop, Virtual Reality (VR), and Augmented Reality (AR) versions of the “Attention Robots” game for attention assessment. It aims to determine which setting yields the most accurate measurements and which maximizes engagement. A controlled experiment with 34 university students gathered objective metrics (processing speed, error rate) and subjective data from the Game Experience Questionnaire. Results show the Desktop version produced the strongest attention scores, with faster performance and fewer errors. However, participants rated the VR version as especially engaging and immersive, producing higher flow and sensory-immersion scores. These outcomes highlight a trade-off between reliability and immersion: Desktop is preferable for precise data collection, while VR is superior for motivating users. The AR version fell between these extremes and may be useful when both accuracy and engagement are desired. The findings can inform future clinical, educational, and research tools and technology-based interventions across diverse age groups and contexts.

The mobility sector plays a critical role in modern societies, encompassing diverse types of movement for both tourism and work-related purposes. Moreover, this sector is linked with the current ability to widely generate real-time data, providing valuable information that can be leveraged for analytics and informed decision-making. However, extracting actionable insights remains challenging due to the pronounced heterogeneity of data sources and the often unreliable nature of traditional data exchange environments. Data spaces have emerged as a solution to these challenges, providing secure and governed environments for inter-organizational data sharing while ensuring that data owners retain full sovereignty over what they provide. Specifically, data spaces enable secure collaborations between consumers, who need to exploit their data, and providers, who offer value-added services to support decision-making processes. Nonetheless, despite their potential, research on data spaces is still in its early stages, and there is no clear consensus on the core concepts that underpin their practical implementation. Therefore, we first conduct a comprehensive literature review to design an architecture for data spaces and then we present the implementation of this architecture in a mobility data space. Our case study demonstrates the practical applicability of data spaces in the mobility domain, illustrating how they can be used not only to activate datasets but also to enable value-added services built upon those data, such as interactive dashboards. The results show that data spaces offer a viable approach for effectively leveraging mobility data, supporting both operational optimization and strategic decision-making in transportation services.

Este Trabajo de Fin de Grado trata del desarrollo de una aplicación multiplataforma con el objetivo de mejorar el proceso de gestión en las librerías independientes. Esta aplicación implementa funcionalidades de control de inventario, ventas, pedidos y devoluciones. Para el desarrollo se ha hecho uso Flutter como entorno de desarrollo multiplataforma y Firebase como servicios en la nube tipo Backend as a Service (BaaS). Gracias al uso de Firebase, la aplicación permite sincronización a tiempo real, acceso desde diferentes dispositivos y reducción de costes en la infraestructura. El proyecto surge como respuesta a los problemas de tecnológicos en el sector librero español. Muchas librerías siguen utilizando métodos manuales o sistemas ERP antiguos. Estos sistemas se encuentran instalados únicamente en el ordenador del mostrador. Lo que limita la movilidad, dificulta la actualización del stock y provoca inconsistencias. Además, una mala gestión de stock pérdidas económicas y problemas de espacio. La propuesta busca solucionar estos problemas con una interfaz intuitiva y sencilla de usar. Para ello, el trabajo analiza el funcionamiento actual de la gestión de inventario en librerías. Entre estos se encuentra el estándar ISBN-13 y tecnologías utilizadas en el sector, como SINLI, DILVE y CEGAL. Estas se utilizan para el intercambio de información, consulta de catálogos y análisis de ventas. Sin embargo, las limitaciones de acceso sobre estas tecnologías han provocado que en el desarrollo se hicieran simulaciones de estas con otras APIs más accesibles. El desarrollo del proyecto sigue la metodología ágil SCRUM. Lo que distribuye el desarrollo en cuatro Sprints semanales, garantizando una implementación incremental. Para el desarrollo se han definido una serie de historias de usuarios a cumplir por cada Sprint. Entre estas destacan la autenticación de usuarios, gestión del inventario, registro de ventas, generación notificaciones, escaneo de códigos de barras mediante cámara y generación de informes de ventas. Además, se han realizado pruebas de sincronización entre dispositivos y evaluaciones de experiencia de usuario. Por último, el proyecto utiliza Git y GitHub para la gestión de versiones y Trello para la organización y planificación de tareas. Lo que garantizó obtener resultado un Producto Mínimo Viable funcional y adaptado a las necesidades del sector librero independiente.

El trabajo se basa en el desarrollo de una aplicación multiplataforma, la cual consistirá en un entrenador de oído. Así, esta aplicación ayudará a músicos a mejorar sus capacidades auditivas por medio de una serie de sesiones de entrenamiento en las cuales, tendrán que reconocer notas, intervalos, acordes, modos, etc.Además, se plantea la integración de una gestión de usuarios, de modo que cuando una persona se registra, podrá hacer un seguimiento de su evolución dentro de la aplicación.

Las plataformas centralizadas de la Gig Economy generan problemas de confianza, opacidad y dependencia de intermediarios. Este Trabajo Fin de Grado (TFG) desarrolla una aplicación descentralizada (Aplicación Descentralizada (DApp)) sobre la red de pruebas Ethereum Sepolia que elimina dicha intermediación mediante contratos inteligentes auditables. El núcleo del sistema son dos contratos en Solidity: Escrow.sol, un fideicomiso con máquina de estados que gestiona el ciclo de vida de los acuerdos entre comprador y profesional, y ServiceToken.sol, un token Ethereum Request for Comments 20 (ERC-20) de reputación acuñado al completar cada servicio. Un árbitro voluntario, aceptado por ambas partes antes de que el acuerdo entre en vigor, resuelve posibles disputas sin intermediario centralizado. La suite de pruebas con Hardhat v3 alcanza el 100 % de cobertura sobre ambos contratos. La interfaz, construida con Next.js y React, se integra con la blockchain mediante Wagmi, Viem y RainbowKit, e indexa los eventos de los contratos a través de The Graph Studio para ofrecer una experiencia reactiva comparable a la de una aplicación Web2. Los resultados confirman la viabilidad técnica de sustituir la lógica de custodia centralizada por contratos inteligentes compactos sin sacrificar la capacidad de arbitraje ni la usabilidad.

At the time of writing, a large volume of data is being generated and processed across multiple domains. In this context, data spaces promise a novel perspective to work with data, enabling secure, governed, and interoperable data sharing across multiple stakeholders, ensuring compliance with legal, usage, and sovereignty constraints. Nevertheless, although data spaces may offer Artificial Intelligence (AI) models to participating entities such as companies or governments, most of these models lack interpretability. This lack of transparency in their decision-making processes may lead to undesirable consequences, such as biased outcomes on their applications. To face this problem, eXplainable AI (XAI) emerged to shed light on black-box AI models. Nonetheless, applying XAI is a challenging task due to the vast amount of XAI techniques and the lack of methodologies to implement XAI solutions from user requirements. To address this gap, we propose a Model-Driven Architecture approach to systematically design XAI specifications from user requirements. Specifically, our approach derives a User Requirements Model (located at Computation Independent Model layer) and obtains an XAI Specification Model (located at Platform Independent Model layer) thanks to a set of proposed Model2Model transformations. Its main advantages include: (i) ensuring alignment between XAI techniques and user requirements; (ii) facilitating the identification of the most appropriate techniques for the captured requirements; and (iii) reducing development effort by providing an initial structured solution. Finally, to show the applicability of our proposal, we have applied it in a real-world agriculture data space.

Large language models (LLMs) are increasingly deployed as coding agents that edit files, run builds and tests, inspect execution results, and repair software iteratively. Embedded firmware is a demanding target because correctness depends on closed-loop behavior under sensing, timing, and safety constraints, not only on static source quality. Yet embedded-agent evaluation remains limited and often emphasizes one-shot synthesis or offline correctness. We present a benchmark for closed-loop evaluation of embedded coding agents. Each task provides a plain-text engineering description, constrained workspace, and visible build-and-runtime surface. The agent must translate requirements into implementation and self-verification steps, then iterate until the required device behavior is achieved. The suite contains five embedded-control tasks and four feedback scenarios: one-shot generation, realistic self-verification, CI-style red/green feedback, and oracle-style detailed feedback. The implementation targets simulated ESP32 firmware for reproducibility. We evaluate seven GPT-family and Qwen-family configurations across five tasks and four scenarios, with three repetitions per condition for 420 runs. gpt-5.4 has the highest pass rate among evaluated configurations but does not saturate the benchmark; qwen3.5-27B is the strongest observed local model; and smaller local models degrade sharply in pass rate and search efficiency. These results suggest that capable local embedded coding agents are emerging.

Autism spectrum disorder (ASD) is a developmental disability characterized by challenges in social interaction and communication. As the causes of ASD remain unclear, identifying relevant features and hidden correlations is crucial for early diagnosis. This systematic review evaluates 55 studies from 2017 to 2023 on the application of machine learning (ML) techniques to ASD. The primary objective is to examine recent ML applications in ASD research, identifying trends, techniques, and datasets that enhance diagnosis and treatment. Supervised learning methods dominate, as they align well with ASD diagnostic needs; however, the role of deep learning is expanding with greater data availability. Emerging techniques based on hybrid methods, where unsupervised, deep learning, and fuzzy logic could be included, will be interesting to observe in the future. The review highlights key challenges and opportunities, particularly the need for models that can integrate complex data —such as genetic and clinical information— to improve diagnostic accuracy and treatment outcomes. Additionally, incorporating innovative data sources, like wearable devices and biometric sensors, could enable continuous and non-intrusive monitoring, providing a more holistic understanding of ASD. Findings emphasize that addressing current challenges requires interdisciplinary collaboration and expanded datasets tailored to ASD. Future ML models will benefit from broader multimodal data integration, enabling researchers to more comprehensively address the complexities of ASD.

Digital transformation (DT) has become a strategic priority for public administrations, particularly due to the need to deliver more efficient and citizen-centered services and respond to societal expectations, ESG (Environmental, Social, and Governance) criteria, and the United Nations Sustainable Development Goals (UN SDGs). In this context, the main objective of this study is to propose an innovative methodology to automatically evaluate the level of digital transformation (DT) in public sector organizations. The proposed approach combines traditional assessment methods with Artificial Intelligence (AI) techniques. The methodology follows a dual approach: on the one hand, surveys are conducted using specialized staff from various public entities; on the other, AI-based models (including neural networks and transformer architectures) are used to estimate the DT level of the organizations automatically. Our approach has been applied to a real-world case study involving local public administrations in the Valencian Community (Spain) and shown effective performance in assessing DT. While the proposed methodology has been validated in a specific local context, its modular structure and dual-source data foundation support its international scalability, acknowledging that administrative, regulatory, and DT maturity factors may condition its broader applicability. The experiments carried out in this work include (i) the creation of a domain-specific corpus derived from the surveys and websites of several organizations, used to train the proposed models; (ii) the use and comparison of diverse AI methods; and (iii) the validation of our approach using real data. Based on the deficiencies identified, the study concludes that the integration of technologies such as the Internet of Things (IoT), sensor networks, and AI-based analytics can significantly support resilient, agile urban environments and the transition towards more effective and sustainable Smart City models.